基于电热耦合模型的宽温域锂离子电池SOC/SOP联合估计

准确的状态估计对于锂离子电池安全可靠运行具有重要意义,但由于非线性强,多参数耦合,实现宽温域多参数联合在线估计难度较大。考虑到温度影响,建立电热耦合模型,采用扩展卡尔曼滤波算法(EKF)在线辨识电池参数,通过电压及温度仿真验证了模型的准确性;然后针对无迹卡尔曼滤波算法(UKF)历史数据利用率低的问题,引入多新息理论(MI)改进UKF,改进后的算法在非电压平台区荷电状态(SOC)估计均方根误差不超过1.2%,相较于改进前误差降低了30%以上,并结合安时积分法设计切换算法,解决了MIUKF算法在磷酸铁锂电池电压平台区无法通过电压反馈修正SOC估计误差的问题,实现了宽温域复杂工况下全区间SOC的准确估计,在不同SOC初始值条件下验证了结合算法的准确性,均方根误差不超过3%,为峰值功率(SOP)估计提供了可靠的SOC值;最后将温度约束引入到SOP估计中,提出多约束条件下的SOP估计方法,结果表明在高温条件下,温度起到关键限制作用,可以防止电池温升过大,减少安全隐患。

适用于无人水下潜航器电池管理系统的SOC-SOH联合估计

为了提高无人水下潜航器(UUV)电池管理系统状态的估计精度,提出荷电状态-健康状态(SOC-SOH)联合估计方法.搭建测试台架,采用4组锂离子电池进行全寿命周期下的充放电测试,获取不同老化程度下的特性数据.经理论推导和实验分析设计四维表征因子,建立基于改进支持向量回归(SVR)的SOH估计模型.探究电池状态的耦合关系,建立基于扩展卡尔曼滤波(EKF)的SOC估计模型,采用遗忘因子递推最小二乘算法(RLS)更新模型参数,利用SOH对SOC估计结果进行修正.通过不同工况的实验进行验证,结果表明:四维表征因子和电池容量相关性好,SOH估计模型精度高,SOC估计模型精度在联合修正后得到提升.所提的联合估计方法具有较高的通用性和可靠性,可以作为有效的嵌入式电池管理系统状态估计算法.

基于增益调整的Joint-EKF算法估算电池SOC

在电流采样过程中,电流漂移噪声会对采样精度造成干扰,进而影响锂离子电池荷电状态(SOC)估算的精度。采用联合扩展卡尔曼滤波(Joint-EKF)算法,以Thevenin模型为等效电路模型基础,将电流漂移值与状态变量同步预测,可提高估算精度。在电流突变时,需要加快算法修正速度来解决算法跟踪效果差的问题。基于Joint-EKF算法,通过调整滤波增益动态修正SOC,可进一步提高SOC估算精度。结果表明:改进算法后的SOC估算误差为2.8%,比改进前的减小2.4%。

基于多方法融合的锂离子电池SOC-SOH联合估计

健康状态估计对电池的实用性和经济性具有指导意义.针对电池健康状态估计难度大且估计结果极易受噪声的影响,但融合算法估计效果好且受噪声影响小,提出了基于粒子群优化深度置信网络和自适应扩展卡尔曼/自适应H_(∞)滤波((PSO-DBN)-AEKF/AHIFF)融合算法在卷积神经网络(CNN)模型下的锂离子电池SOC-SOH联合估计.首先对于健康状态(SOH)数据的预处理环节采用小波变换的方法使得噪声显著去除.其次将去噪后的数据代入训练好的CNN模型进行SOH估计,并融合((PSO-DBN)-AEKF/AHIFF)算法进行健康状态估计,最后在DST工况和UDDS工况下,搭建Matlab/Simulink/Python环境下的Typhoon HIL602+硬件在环平台进行联合估计的验证,结果显示健康状态的估计误差在1%以内,荷电状态(SOC)的估计误差在2%以内,由此证明了多方法融合的SOC-SOH联合估计的有效性,且具有较好的估计精度和鲁棒性.

基于二阶RC网络模型的UKPF-VFFRLS电池SOC预测估计

针对单一滤波算法对动力电池荷电状态(SOC)预测估计精度有限的问题,分析并建立了二阶RC网络等效电路模型,进行了离线参数辨识,并验证了辨识结果的准确性。以该模型为基础,运用无迹卡尔曼粒子滤波(UKPF)算法对动力电池SOC的动态模型状态进行预测估计,以带可变遗忘因子的递推最小二乘法(VFFRLS)对动态模型参数进行辨识,两者互为输入输出,实现UKPF-VFFRLS算法的联合估计。仿真实验结果表明:相比原有单一滤波算法,UKPF-VFFRLS联合估计算法使得SOC平均误差降低至0.74%,均方根误差(RMSE)低至0.009 9,提高了SOC的预测估计结果精度,从而提升了能源消耗预判能力和电池使用效率。

基于双自适应无迹卡尔曼滤波算法的锂电SOC/SOH联合估计

合理准确地估算出电池荷电状态(SOC)与健康状态(SOH)对电动汽车安全运行和能量分配有重大意义。目前锂离子动力电池状态参数的研究中,很少考虑两个参数在估算过程中的相互影响;传统无迹卡尔曼滤波(UKF)算法在应用时,常因难以真实模拟实际噪声导致估算误差增大。针对这些问题,这里以电池Thevenin等效电路模型为基础,结合改进的AUKF,提出双自适应无迹卡尔曼滤波算法(DAUKF),实时更新计算模型参数,实现SOC与SOH的联合估算,提高算法的估算精度。最后通过实验及仿真对比,验证了该算法的可行性及估算精度。

锂离子电池SOC与模型参数联合估算研究

电池荷电状态(SOC)的估算精度是影响新能源汽车性能的重要因素之一。针对电池参数动态变化影响SOC估算精度的问题,在确定二阶RC等效电路模型的基础上,采用渐衰记忆的递推最小二乘算法和扩展卡尔曼滤波算法对模型参数与SOC在线联合估算。经过实验与仿真验证,在模拟城市道路工况的放电条件下,与安时法和卡尔曼法相比,联合估算方法得到的SOC估算值与真实值的误差缩小到1.29%。该方法能够适应电池特性的动态变化,保证较高的SOC估算精度。

基于AEKPF算法对锂离子电池SOC与SOH的联合估计

为了提高锂离子电池SOC(state of charge)和SOH(state of health)的估计精度,采用自适应扩展卡尔曼粒子滤波(adaptive extended Kalman particle filter,AEKPF)算法估算SOC和SOH,该算法通过修正噪声可以解决运用EKF(extended Kalman filter)算法时的噪声误差累积问题,并且AEKF(adaptive extended Kalman filter)算法作为PF(particle filter)算法的建议分布用来实时更新粒子,可以改善单独采用PF算法时的粒子退化问题.为了提高SOC的估计精度,提出考虑电池的劣化特征,联合SOH实现对SOC的修正估计.在Matlab环境下的仿真结果表明:AEKPF算法与AEKF算法相比,可以得到更加准确的SOC和SOH估计值,而且AEKPF算法联合SOH可以有效提高SOC的估计精度,仿真绝对误差不超过±1%.

基于电热耦合效应的锂电池荷电状态与温度状态联合估计

准确估计电池的荷电状态(SOC)和内部温度可以提高电池的性能和安全性。其中,电池模型的准确性和估计算法的适用性是关键。为了解决这两个问题,本文建立了圆柱形锂离子电池的多参数电热耦合模型。模型考虑电池SOC与温度变化之间的耦合关系,并且利用改进的熵热系数实验获得电池运行中产生的可逆热与不可逆热,通过可变遗忘因子最小二乘算法(VFFRLS)进行参数辨识,并对比独立的电模型与热模型的SOC与内部温度估计结果,验证了多参数电热耦合模型的准确性,结果证明所提模型相比较于单独的电热模型,估计精度提高了70%以上。最后,设计了一种基于奇异值分解的卡尔曼滤波(SVD-AUKF)算法来同时在线估计SOC和内部温度,并在改进的动态测试(DST)工况下对所提方法进行实验验证。结果表明:所提方法相较于扩展卡尔曼滤波(EKF)与无迹卡尔曼滤波(UKF)算法,能实现更高精度的SOC和温度估计,SOC与内部温度的平均误差分别是5%和0.2℃。

锂离子电池SOC及容量的多尺度联合估计

锂离子电池的荷电状态(SOC)和电池容量估计是电池管理系统的核心。由于SOC和容量在估计过程中参数相互影响,提出一种适用于三元锂离子电池SOC及容量的多尺度联合估计方法。采用戴维宁等效电路模型,建立数学模型及状态空间方程。针对不同温度下电池特性不同的问题,在不同温度下开展了模型参数辨识,建立了参数随SOC及温度的变化关系。基于双扩展卡尔曼滤波(DEKF)算法建立了电池状态多尺度联合估计模型,对电池的SOC、极化电压在微观时间尺度上进行估计,对电池的容量在宏观时间尺度上进行估计,并对SOC估计中的容量进行更新,保证了电池长期估计的精度。在宽温度范围内进行验证,所建立的三元锂离子电池多尺度联合估计方法具有较高的精度。

基于ABP-EKF算法的锂电池SOC估计

电池荷电状态(state of charge,SOC)的准确估计是电动汽车合理实施电池管理的前提条件和重要依据。针对目前电动汽车对动力电池SOC估计精度的不断提高这一问题,利用联合估计法对锂电池SOC进行研究。基于Thevenin电池模型与修正的安时积分算法,推导出了锂电池的输出方程以及状态空间模型,通过采集实验过程中的相关数据并应用递推最小二乘法对电池模型参数作出辨识。分析了扩展卡尔曼滤波(EKF)算法以及自适应BP神经网络算法的原理,联合两种算法并在此基础上提出了自适应BP-EKF算法(ABP-EKF)。运用所提出的算法对锂离子电池SOC进行联合估计,最后通过对比ABP-EKF与EKF两种算法估计锂电池SOC的数据,研究结果表明:所提出ABP-EKF算法相比于EKF算法在均值误差项与均方根误差项分别减少了3.9%和3.79%。

锂离子电容在线参数辨识与SOC的联合估计

针对锂离子电容在混合动力机车应用中的荷电状态(SOC)估计问题,重点分析了锂离子电容的工作特性,以此建立了二阶RC等效模型,采用带遗忘因子的递推最小二乘法(FFRLS)和自适应卡尔曼滤波算法(AEKF)交叉联合的方法对锂离子超级电容的荷电状态进行估算。FFRLS可以对动态变化的模型参数进行实时且精确的在线辨识,在获得精确的模型参数的基础上,运用AEKF算法对SOC估计不断修正更新,消除系统未知噪声所引起的误差,进而获得最优的SOC估算值。通过实验结果表明,该联合算法的估计误差在0.9%之内,并且可以快速地收敛至真值附近,验证了算法的有效性。

基于免疫遗传算法的动力电池SOC估计研究

锂离子动力电池SOC (电池荷电状态)难以直接测量且由于高度非线性所导致估计误差较大;为了减少动力电池SOC估计误差,提高估算精度;在分析了锂离子动力电池电压、温度、电流和放电电量对电池SOC影响后,提出一种新颖的免疫遗传算法(Immune Genetic Algorithm,IGA)和BP神经网络相结合的锂离子动力电池SOC值联合估计方法,该方法首次使用在锂离子动力电池SOC值估计中,采用新颖的免疫遗传算法通过对BP神经网络进行参数寻优,优化网络结构模型,增强神经网络自适应学习效率;通过仿真和动力电池实际工况下实验,结果表明使用新颖的联合估计算法提高了网络的运行效率和电池SOC值估计精度,估计均方根误差控制在2%以内,验证了这一联合估计算法的可行性和有效性,解决了动力电池SOC值估计误差较大的问题。

基于DFFRLS和神经网络-ASRUKF算法的蓄电池SOC估计

以3.5 V/20 A·h的磷酸铁锂电池为研究对象,针对其荷电状态(SOC)在线估计问题,建立二阶戴维南(Thevenin)等效RC电路模型,结合BP神经网络、动态遗忘因子最小递推二乘(DFFRLS)法和自适应平方根无迹卡尔曼滤波(ASRUKF)算法提出一种SOC联合估计算法。采用BP神经网络代替多项式拟合开路电压-荷电状态(OCV-SOC)曲线,提高曲线拟合精度;通过DFFRLS在线辨识模型参数;结合ASRUKF算法进行SOC联合估计。研究表明提出的联合估计算法有效消除了因噪声协方差初值人为设定的误差并克服滤波发散导致状态协方差矩阵非半正定问题,达到获取最优SOC估计值的目的。在循环动态压力测试(DST)实验工况下,将联合估计算法与其他传统算法进行比较,结果表明提出的SOC联合估计算法具有更好的快速性、收敛性和精确性。

基于改进联合扩展卡尔曼算法的AGV车SOC估算研究

结合自动引导车(AGV车)运行工况中充电电流大、间歇充电以及放电电流的特点,文章根据电池SOC估算的需求和锂离子电池的外特性,解决电池SOC估算的非线性和电流漂移问题,对电流突变情况下的SOC估算存在较大误差进行分析,提出了利用动态增益系数对Joint-EKF算法进行改进,提高Joint-EKF算法在电流突变时估算算法的跟踪性能和实时性。

基于多时间尺度的锂离子电池状态联合估计

荷电状态（SOC）和健康状态（SOH）估计是锂离子电池管理系统的关键技术。针对SOH退化情况下电池模型参数和容量参数发生改变影响SOC长期估计性能的问题,提出了基于多时间尺度的锂离子电池SOC-SOH联合估计方法。建立多时间尺度状态空间方程,构建SOC-SOH与电池模型参数间多维度空间插值曲面,基于无迹粒子滤波算法实现锂离子电池状态联合估计。根据SOH估计结果更新用于SOC估计的电池模型参数和容量参数,在SOH估计中以在线健康因子作为系统观测量实现在线联合估计。实验结果表明,在锂离子电池全寿命周期中,相较于未考虑SOH退化情况,方法在SOC估计的最大误差、平均误差和均方根误差方面有明显降低,较好地提升了SOC的长期估计性能。

基于GAPSO-LSSVM的蓄电池剩余容量联合检测算法

铅酸蓄电池应用广泛,准确检测其剩余容量是电池管理系统中的重要一环。提出将蓄电池开路电压、温度和内阻三个状态指标作为联合检测量,结合基于GAPSO-LSSVM算法对剩余容量进行检测。在LSSVM算法中引入PSO算法对其惩罚参数和核函数参数进行寻优,避免人为因素干扰,提高了精度。然后再引入GA算法,解决了PSO算法易局部收敛的问题,进一步提升了精度。最后,MATLAB仿真验证了基于GAPSO-LSSVM的联合检测算法在蓄电池剩余容量的检测方面效果良好,平均误差百分比可以控制在3%以内,具有极大的实际应用意义。